📋 Plano de Preparação — Nutrium (AI Engineer)

Índice de tópicos (ordem sugerida)

---

Sobre a Nutrium — conhece antes da entrevista

Missão: Promover o bem-estar global tornando a nutrição 1:1 de qualidade acessível a todos.

Produto: Plataforma #1 mundial de aconselhamento nutricional para profissionais e pacientes. Com Nutrium Care, levam nutrição personalizada a qualquer pessoa, em qualquer lugar.

Traction: Series A, +€15M em funding. Parceiros: Vodafone, Adidas, Wellhub, Linde. Milhões de pessoas alcançadas.

Valores: Transparência (incluindo salário na oferta), diversidade, inclusão, "you go first" — espaço para crescer e brilhar.

Frase para usar: O que me atraiu na Nutrium é a missão de tornar a nutrição de qualidade acessível — e o facto de já terem impacto em milhões de pessoas através da plataforma líder do mercado.

---

🚀 Processo de recrutamento (5 etapas)

Se a entrevista de hoje for com recruiter: foca em motivação, fit, perguntas sobre a empresa e o papel.

Se for técnica: foca em RAG, LLMs, avaliação, produção, dados sensíveis.

---

Prioridades por probabilidade de sair

🔴 Prioridade A — quase certo que pode sair

• Pitch e motivação — Porquê Nutrium? Porquê nutrição + AI?
• RAG — arquitetura, chunking, retrieval, groundedness (crítico em saúde)
• LLMs em produção — latência, custo, segurança, avaliação
• Métricas de qualidade — groundedness, safety, latency, cost (mencionadas na vaga)
• Dados sensíveis — saúde, privacidade, GDPR ("comfort working with sensitive data")
• Colaboração — Product, Engineering, dietistas ("partner with...")
• Projetos hands-on — exemplos com LLMs em projetos reais

🟡 Prioridade B — pode sair

• Vector DBs — Pinecone, Weaviate, pgvector, similarity search
• Evaluation & iteration — como medes e melhoras sistemas AI
• System design — escalar features AI para milhares de utilizadores
• APIs e integração — como expor AI a dietistas e pacientes
• Documentação e knowledge-sharing — mencionado na vaga
• Autonomia e ownership — "taking ownership of problems"
• Take-home challenge — se for hoje, pode ser discussão de um anterior

🟢 Prioridade C — só se houver tempo

• Fine-tuning vs RAG — quando cada um
• AI Agents — se aplicável a workflows de dietistas
• MLOps / monitoring — drift, versioning
• Cloud — AWS, GCP, Azure (menos foco)

---

Contexto específico: Nutrição + AI

Utilizadores: Dietistas (profissionais) e Pacientes.

Casos de uso prováveis:

• Sugestões de planos alimentares personalizados
• Respostas a perguntas sobre nutrição (RAG sobre guidelines, documentação)
• Assistência na tomada de decisão clínica (com guardrails)
• Automação de tarefas repetitivas para dietistas
• Chatbot ou assistente para pacientes (Nutrium Care)

Desafios únicos:

• Groundedness crítico — em saúde, alucinações são inaceitáveis
• Dados sensíveis — histórico médico, peso, condições, hábitos alimentares
• Regulamentação — GDPR, possível futura AI Act (UE)
• Stakeholders — dietistas são especialistas; AI deve apoiar, não substituir

---

Ordem de estudo sugerida

1. Guia (este) → Mapa de requisitos → Pitch → Projetos
2. RAG → LLMs e avaliação → Vector DBs → Fine-tuning vs RAG
3. Dados sensíveis → Monitor e fine-tune → Colaboração
4. Documentação → Comunicação → Simulação → Flashcards

---

✅ Checklist antes da entrevista

• Pitch de apresentação (30–60s)
• Porquê Nutrium? Porquê nutrição + AI?
• Exemplo de projeto com LLMs (problema → solução → resultado)
• RAG: explicar em 2 frases
• Groundedness: o que é e como garantir
• Dados sensíveis: como lidar (GDPR, anonimização)
• Métricas: groundedness, safety, latency, cost
• 3–4 perguntas para fazer ao entrevistador
• Range salarial: €25,200 – €39,200 (transparente na oferta)
• Bonus: Braga/Porto, PT+EN fluente

---

Perguntas que TU deves fazer (escolhe 3–4)

1. Que features de AI estão já em produção ou em roadmap?
2. Como equilibram inovação com segurança em contexto de saúde?
3. Como é a colaboração entre AI, Product e os dietistas?
4. Que stack de AI usam (LLMs, vector DBs, frameworks)?
5. Como avaliam a qualidade das respostas dos sistemas de AI?
6. O Nutrium Care já usa AI? Em que capacidades?
7. Como gerem dados sensíveis dos pacientes nos sistemas de AI?
8. Qual o maior desafio técnico que a equipa de AI enfrenta hoje?

---

5 erros que fazem reprovar

1. Ignorar groundedness — em nutrição/saúde, alucinações são críticas
2. Não falar de dados sensíveis — a vaga enfatiza "comfort with sensitive data"
3. Falar só de modelos — querem soluções, produto, impacto em workflows
4. Ignorar colaboração — "partner with Product, Engineering, dietitians"
5. Não fazer perguntas — mostra interesse genuíno

---

Estratégia quando não sabes

1. Não inventes — "Não trabalhei diretamente com X em saúde, mas entendo que..."
2. Redireciona — "A minha experiência é em Y, que é relacionado porque..."
3. Mostra raciocínio — "Em contexto de saúde, começaria por garantir groundedness..."
4. Pergunta — "Como abordam isto no Nutrium?"